检索历史 清除

摘要近年来，饱受癫痫病痛折磨的患者人数居高不下，并且有增加趋势，但当前癫痫发作的临床诊断依旧需要经验丰富的医生进行问诊，诊疗结果可能会受到医生主观判断的影响。随着计算机技术的发展，利用计算机对大脑图像数据进行分类来实现更高效准确地诊断已成为研究热点，大量的癫痫脑电信号自动识别方法已被提出，并从简单的时域分析发展为了基于信号处理技术的自动特征提取。然而，由于癫痫脑电信号的随机性等特征，设计更精确的癫痫脑电信号识别算法依旧是近年来国内外的研究热点。本文针对目前癫痫脑电识别方法的不足进行了研究，围绕癫痫脑电信号去噪、特征提取和降维融合及分类任务，主要完成如下工作。<br>　　(1)针对脑电信号在获取过程中存在心电、眼电信号和工频信号等干扰信号引发的噪声，提出基于小波包变换与Teager能量算子的脑电信号去噪算法。本文研究先对原始信号进行小波包处理，然后选用小波包系数的Teager能量比较阈值函数，通过能量算子区分噪声与信号的小波包系数，最终得到去噪信号。实验结果表明，基于能量算子的波形去噪效果清晰直观，且相比原始脑电信号，经过本文的算法去噪后，信号与噪声的比值明显升高，误差也有所降低，因此具有良好的去噪效果。<br>　　(2)针对单独的时域、频域或时频域特征处理方法不能很好的体现癫痫脑电信号特征的问题，提出基于小波包变换和非线性能量参数结合的特征提取方法。首先，对去噪的脑电信号计算样本熵值，通过对比获得最佳参数，再对癫痫脑电信号进行小波包分析，提取各子节点的频带能量作为特征向量。实验结果表明，以上方法在癫痫发作时可以有效提取特征波。<br>　　(3)针对多特征提取会出现特征维数过高，影响分类结果的问题，提出优化的特征融合降维算法。首先，使用标准差对样本进行分析，选取最优样本;然后对特征进行主成分分析融合降维。实验数据证明，经过选取样本后做主成分分析，仅选择前两个主成分，就可以保证累计贡献率达到96.1％，并且提高了特征识别率，因此本方法生成的新特征向量可以作为癫痫信号识别的重要特征指标，为后文的特征分类算法提供数据源。<br>　　(4)传统的支持向量机(SVM)进行分类时没有明确的核函数及参数确认标准，需要经过大量实验，通过对比得出最优结果，影响分类结果。因此，提出基于遗传算法和Triplet损失函数的SVM癫痫脑电信号分类算法。首先，使用遗传算法对支持向量机进行改进，寻找惩戒因子和核半径参数，然后选择Triplet损失函数对参数进行评估，最后选择最佳的参数进行分类。实验结果证明，相比于支持向量机和随机森林分类方法，本算法的正确率、精确率、召回率都得到了相应的提升。